論文の概要: Quantum Quasi-Monte Carlo: a window for pre-asymptotic quantum advantage
- arxiv url: http://arxiv.org/abs/2609.03625v1
- Date: Thu, 03 Sep 2026 10:14:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.017057
- Title: Quantum Quasi-Monte Carlo: a window for pre-asymptotic quantum advantage
- Title（参考訳）: 量子準モンテカルロ--漸近前量子優位の窓
- Abstract要約: 本稿では,低分解能ネットと量子振幅推定を組み合わせた量子準モンテカルロアルゴリズムを提案する。
提案手法は, 従来の準モンテカルロ法に比べて, 有限ネットで決定される離散化誤差と量子推定誤差とを分離するので, 改良は得られない。
- 参考スコア（独自算出の注目度）: 5.419536837516965
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Numerical integration with Monte Carlo methods is a central computational task in many scientific and industrial applications, including financial derivative pricing and risk management. Classical Monte Carlo algorithms are computationally demanding: achieving an accuracy $ε$ typically requires a number of function evaluations scaling as $O(1/ε^2)$. Quantum-accelerated Monte Carlo methods based on quantum amplitude estimation can in principle quadratically improve this dependence. However, \textit{quasi}-Monte Carlo methods have not been explored in the quantum context. In this work, we introduce a quantum quasi-Monte Carlo algorithm that combines low-discrepancy nets with quantum amplitude estimation. The proposed method prepares the quasi-random point set coherently in superposition. The method does not yield an asymptotic improvement over classical quasi-Monte Carlo, since the total error separates into a discretization error, determined by the finite net, and a quantum estimation error. Instead, we explore a pre-asymptotic advantage window: for a target accuracy that would classically require $2^q$ low discrepancy points, one can prepare a higher-resolution net of size $2^Q$, with $Q>q$, in superposition and reach the same accuracy using significantly fewer function queries. This window can be controlled by tuning the circuit resolution and amplitude-estimation parameters, making the approach relevant for practical regimes where the number of queries is finite rather than asymptotically large.
- Abstract（参考訳）: モンテカルロ法との数値的な統合は、金融デリバティブの価格設定やリスク管理を含む多くの科学的・工業的応用において中心的な計算課題である。
古典的モンテカルロアルゴリズムは計算的に要求されている: 精度の$ε$を達成するには、通常、O(1/ε^2)$としてスケールする多くの関数評価を必要とする。
量子振幅推定に基づく量子加速モンテカルロ法は、原則としてこの依存を2次的に改善することができる。
しかし、量子文脈では、<textit{quasi}-Monte Carlo 法は研究されていない。
本研究では,低分解能ネットと量子振幅推定を組み合わせた量子準モンテカルロアルゴリズムを提案する。
提案手法は擬似ランダム点を重畳で整列的に生成する。
この方法は、古典的準モンテカルロよりも漸近的な改善をもたらすものではない、なぜなら、総誤差は有限ネットによって決定される離散化誤差と量子推定誤差に分離されるからである。
古典的には2^q$低い差分点を必要とするターゲット精度のために、2^Q$と$Q>q$の高解像度ネットを重畳して、はるかに少ない関数クエリで同じ精度に達することができる。
このウィンドウは、回路解像度と振幅推定パラメータを調整することで制御することができ、漸近的に大きいのではなく、クエリの数が有限である実践的な状況に関連付けることができる。
関連論文リスト
- Faster Quantum Monte Carlo Simulation by Random Compilation [2.9903776166764984]
量子モンテカルロ (Quantum Monte Carlo, QMC) アルゴリズムは、量子システムをシミュレートする最も強力な古典的手法の一つである。
本稿では,ランダムにコンパイルされた量子モンテカルロ (RC-QMC) を,近似系の平均化による系統的誤りを抑制する一般的なフレームワークとして紹介する。
本フレームワークは,目標状態を所望の精度に推定する際に,標準QMC法よりも計算上の優位性を実現する。
論文 参考訳（メタデータ） (2026-09-09T17:25:26Z) - Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。
本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。
我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。
スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文 参考訳（メタデータ） (2026-08-25T15:07:11Z) - Quantum Speedups for Stochastic Optimization with Heavy-Tailed Noise [49.730496294398726]
重み付き確率変数に対する新しい量子平均推定器を開発した。
尾指数>4/3$のより強い下界を導出し、次元への非自明な依存が避けられないことを示す。
凸目的関数に対して,量子射影勾配降下法を提案する。
論文 参考訳（メタデータ） (2026-07-28T09:29:37Z) - Quantum Machine Learning methods for Fourier-based distribution estimation with application in option pricing [42.79174867716636]
オプション価格問題に対処する2つのハイブリッド古典量子法を提案する。
提案手法は,導関数評価の競合的量子代替物として,顕著な精度を実現していることを示す。
論文 参考訳（メタデータ） (2025-10-22T11:43:08Z) - Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。
既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。
我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
論文 参考訳（メタデータ） (2025-07-09T15:22:17Z) - Quantum speedup of non-linear Monte Carlo problems [3.534338813984755]
本研究では,非線形推定問題の幅広いクラスに対する高速化を実現する量子インサイド量子モンテカルロアルゴリズムを提案する。
このアプローチの重要な革新は、量子コンピューティング用に特別に設計されたマルチレベルモンテカルロ近似の新しいシーケンスである。
論文 参考訳（メタデータ） (2025-02-07T17:13:27Z) - Heisenberg-limited adaptive gradient estimation for multiple observables [0.39102514525861415]
量子力学において、一般観測値の期待値を測定することは、固有の統計的不確実性を持つ。
我々は,ルート平均二乗誤差内における一般可観測値の期待値を推定する適応量子アルゴリズムを提案する。
本手法は,量子コンピュータを用いた複雑な量子システムにおいて,様々な物理特性を正確に理解し,予測する新しい手法である。
論文 参考訳（メタデータ） (2024-06-05T14:16:47Z) - Towards large-scale quantum optimization solvers with few qubits [59.63282173947468]
我々は、$m=mathcalO(nk)$バイナリ変数を$n$ qubitsだけを使って最適化するために、$k>1$で可変量子ソルバを導入する。
我々は,特定の量子ビット効率の符号化が,バレン高原の超ポリノミウム緩和を内蔵特徴としてもたらすことを解析的に証明した。
論文 参考訳（メタデータ） (2024-01-17T18:59:38Z) - Quantum Adversarial Learning in Emulation of Monte-Carlo Methods for
Max-cut Approximation: QAOA is not optimal [0.0]
変分量子アニーリングと量子近似最適化(QAOA)にエミュレーションの概念を適用する。
我々の変分量子アニーリングスケジュールは、同じ物理成分を用いて、QAOAと同様の勾配のない方法で最適化できる新しいパラメータ化に基づいている。
アンス・アッツ型の性能を比較するため,モンテカルロ法の統計的概念を考案した。
論文 参考訳（メタデータ） (2022-11-24T19:02:50Z) - Quantum Goemans-Williamson Algorithm with the Hadamard Test and
Approximate Amplitude Constraints [62.72309460291971]
本稿では,n+1$ qubitsしか使用しないGoemans-Williamsonアルゴリズムの変分量子アルゴリズムを提案する。
補助量子ビット上で適切にパラメータ化されたユニタリ条件として目的行列を符号化することにより、効率的な最適化を実現する。
各種NPハード問題に対して,Goemans-Williamsonアルゴリズムの量子的効率的な実装を考案し,提案プロトコルの有効性を実証する。
論文 参考訳（メタデータ） (2022-06-30T03:15:23Z) - Quantum-assisted Monte Carlo algorithms for fermions [5.625946422295428]
本稿では,量子コンピュータを最小限のコストで使用する,スケーラブルな量子支援モンテカルロアルゴリズムのファミリーを提案する。
モンテカルロハイブリッドフレームワークは,古典的アルゴリズムから得られる基底状態の誤差を抑える一般的な方法であることを示す。
論文 参考訳（メタデータ） (2022-05-30T07:49:22Z) - Quantum algorithm for stochastic optimal stopping problems with
applications in finance [60.54699116238087]
有名な最小二乗モンテカルロ (LSM) アルゴリズムは、線形最小二乗回帰とモンテカルロシミュレーションを組み合わせることで、最適停止理論の問題を解決する。
プロセスへの量子アクセス、最適な停止時間を計算するための量子回路、モンテカルロの量子技術に基づく量子LSMを提案する。
論文 参考訳（メタデータ） (2021-11-30T12:21:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。